Benefícios do Reinforcement Learning para a Internet das Coisas

Abstract

A transmissão de dados em redes IP é, pela própria natureza deste protocolo, baseada no melhor esforço, sendo todos os fluxos tratados de forma idêntica como princípio. Qualquer das alternativas existentes de Engenharia de Tráfego (ET) que habilitam a qualidade de serviço (QdS) em redes IP (tal como MPLS, IntServ ou DiffServ), por si só não implementam soluções suficientemente abrangentes. Uma função de adaptação adequada pode ser implementada para ajudar na operação de redes com ou sem estes modelos de ET. A provisão de largura de banda e outros parâmetros operacionais numa rede são de cálculo complexo devido aos padrões dinâmicos do tráfego. Como modelos de reserva de largura de banda não têm boa escalabilidade, uma aproximação de aprendizagem pode ser mais adequada para este problema. Em particular, algoritmos de Reinforcement Learning (RL) permitem a implementação de decisões distribuídas, tomadas por agentes em segmentos da periferia da rede. Se estes segmentos estiverem conectados ao mesmo core, a rede pode melhorar sua habilidade de responder a situações para as quais não foi especificamente configurada, e a qualidade de serviço pode ser menos afetada quando há potenciais imparidades. Um modelo de RL distribuído pelas coisas da Internet das Coisas, para adaptação às condições pontuais da rede, pode ser benéfico para o sistema como um todo, sem apresentar a carga de sinalização excessiva, ponto único de falha ou tempo demasiado longo para a tomada das decisões corretas.